A Diagnostic Model for Identification of Myocardial Infarction from Electrocardiography Signals

Di̇ker, Aykut; Cömert, Zafer; Avcı, Engin

doi:10.17678/beuscitech.344953

Cited by 30 publications

(10 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bu Eğrinin altındaki alan (EAA) modellerin performanslarını değerlendirmek için hesaplanmaktadır. Bu EAA değeri mükemmel bir sınıflandırmayı temsil ettiğinden, EAA için 1'e ulaşmak amaçlanmaktadır [26,28].…”

Section: Doğ = (Gp + Gn) (Gp + Yp + Gn + Yn)unclassified

Sıtma Hastalığının Sınıflandırılmasında Evrişimsel Sinir Ağlarının Performanslarının Karşılaştırılması

Di̇ker

2020

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi

Self Cite

View full text Add to dashboard Cite

ÖzSıtma, Plasmodium adlı bir kan parazitinin neden olduğu ciddi bir hastalıktır. Sıtmayı teşhis etmenin standart yolu, parazit bulaşmış kırmızı kan hücreleri için kan bulaşmalarını mikroskop altında uzmanlar tarafından görsel olarak incelenmesidir. Bu yöntem verimsizdir ve tanı, muayeneyi yapan kişinin deneyimine ve bilgisine bağlıdır. Daha önce teşhis için sıtma kan hücrelerine makine öğrenimine dayalı otomatik görüntü tanıma teknolojileri uygulanmıştır. Bu çalışmanın amacı, sıtma hücrelerinin parazit veya enfekte olmayan olarak ayırmaktır. Ek olarak çalışmada, önceden eğitilmiş evrişimsel sinir ağlarına dayalı bütünleşik bir tanı sistemi önerilmiştir. Bu çalışmada sıtma hücrelerini sınıflandırmak için Ulusal Sağlık Enstitüleri'nden (NIH) elde edilen toplam 27558 imge kullanılmıştır. Deneysel çalışmalar sonucunda, sıtma hücrelerinin sınıflandırılmasında, sırasıyla AlexNet, GoogleNet, SqueezeNet, ShuffleNet ESA modelleri ile % 95.77, % 96.31, % 95.95, % 96.44 ve 0.9880, 0.9887, 0.9888, 0.9923 EAA performans değerleri elde edilmiştir. Sıtma hücrelerinin sınıflandırılmasında en iyi sonuca, %96.44 Doğruluk değeri ile ShuffleNet CNN modeli kullanılarak ulaşılmıştır.

show abstract

Section: Doğ = (Gp + Gn) (Gp + Yp + Gn + Yn)unclassified

Sıtma Hastalığının Sınıflandırılmasında Evrişimsel Sinir Ağlarının Performanslarının Karşılaştırılması

Di̇ker

2020

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi

Self Cite

View full text Add to dashboard Cite

show abstract

“…Noise and interference can be undesirable which is it causes oscillations in signal processing applications. ECG involves an excessive number of unrestful noises, so this step has an important task for ECG classification application [35], [36]. Furthermore, it is applied as a usual analysis stage in most biomedical practice to obtain stable and clear signals.…”

Section: Preprocessingmentioning

confidence: 99%

ECG Signal Classification Technique Based on Deep Features Using Differential Evolution Algorithm Extreme Learning Machine (DEA-ELM)

Di̇ker

2020

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi

Self Cite

View full text Add to dashboard Cite

The movements of electrocardiogram (ECG) signals are very important in the diagnosis of heart disorders. Machine learning methods are widely used to classify ECG signals. The aim of this work is to contribute to the classification of ECG signals using the Differential Evolution Algorithm Extreme Learning Machine (DGA-ELM).In this paper, a public heart records in Physionet was utilized to classify ECG signals. The pre-processing was applied to eliminate the ECG signals from noise. Then, the ECG signals were converted to spectrograms for the feature extraction stage. A method was used originated on Convolutional Neural Network (CNN) to obtain the attributes of ECG signals. The DGA-ELM algorithm was used to select the best activation function. In this context, the best cost value 79.37% with a sigmoid activation function and 750 iteration in the classification made with DGA-ELM was achieved.

show abstract

“…Sharma et al [18] design a dual-band optimal bi-orthogonal wavelet filter to preprocess the ECG signal, and then use the k-nearest neighbor (KNN) method to implement classification of MI only using single lead. Diker et al [19] use recursive feature elimination (RFE) to select eleven features from morphological and statistical domains and use KNN and artificial neural network (ANN) methods to detect MI. Lui and Chow [20] use the data of the standard I lead on the PTB database to detect the MI using a convolutional recurrent neural network.…”

Section: Related Workmentioning

confidence: 99%

Localization of Myocardial Infarction With Multi-Lead Bidirectional Gated Recurrent Unit Neural Network

Zhang

Dai

et al. 2019

IEEE Access

View full text Add to dashboard Cite

Myocardial infarction (MI) is an acute disease. Early detection and early treatment are of great significance for improving the health of people. In order to reduce the misdiagnosis rate of MI diseases, this paper proposes a multi-lead bidirectional gated recurrent unit neural network (ML-BiGRU) learning algorithm based on current research status in the field of intelligent medical diagnosis, combined with the timing and multi-lead correlation characteristics of the electrocardiogram (ECG) signals. At first, the original ECG signal is denoised and preprocessed and then segmented into heartbeats. After that, the heartbeat sequence is sent to the deep neural network training model to learn the classification. Lastly, the Physikalisch-Technische Bundesanstalt (PTB) ECG database is used to verify the multi-lead BiGRU algorithm. The verification results demonstrate that the accuracy of the algorithm for MI localization is 99.84%, which outperform the other algorithms. The experimental results also show that the algorithm is obviously superior to the traditional localization algorithm in improving the localization accuracy, which is of great significance for improving the correct diagnosis rate of MI. Electrocardiogram, myocardial infarction, multi-lead, Bi-GRU. INDEX TERMS

show abstract

A Diagnostic Model for Identification of Myocardial Infarction from Electrocardiography Signals

Cited by 30 publications

References 23 publications

Sıtma Hastalığının Sınıflandırılmasında Evrişimsel Sinir Ağlarının Performanslarının Karşılaştırılması

Sıtma Hastalığının Sınıflandırılmasında Evrişimsel Sinir Ağlarının Performanslarının Karşılaştırılması

ECG Signal Classification Technique Based on Deep Features Using Differential Evolution Algorithm Extreme Learning Machine (DEA-ELM)

Localization of Myocardial Infarction With Multi-Lead Bidirectional Gated Recurrent Unit Neural Network

Contact Info

Product

Resources

About